AI能破解生物学吗？Lex Fridman与嘉宾的深度对谈

当AI遇见生物学：一场关于复杂性的对话

在Lex Fridman的播客中，一场关于AI与生物学边界的讨论引人深思。嘉宾提出了一个核心问题：AI能否在纷繁复杂的生物学领域取得重大突破？两人的对话没有停留在技术乐观主义的表层，而是深入到生命系统复杂性的本质，揭示出AI当前面临的认知极限。

连接组计划：从昆虫到更广泛的生命图谱

讨论从连接组（connectome）切入——绘制生物大脑完整神经 wiring 图的宏大工程。目前，昆虫大脑的连接组已经完成，其他动物的连接组也有望逐步实现。嘉宾预测，连接组数据会像基因组一样，随着技术进步而成本降低、可及性提高。这意味着，生物学正在系统性地积累超大规模数据集，试图理解复杂系统的运作方式。这为AI的介入提供了数据基础，但数据本身并不等于理解。

连接组（Connectome） 是指神经系统内所有神经元及其突触连接的完整图谱，类似于基因组之于DNA。绘制连接组需要借助电子显微镜成像和自动图像分割技术，将大脑切片成像后重建神经元的形态与连接。果蝇大脑约含10万个神经元，其连接组已于2024年完整发布；线虫（302个神经元）的连接组更早完成。人类大脑约有860亿神经元，其连接组计划仍处于起步阶段，面临数据量（约1泽字节）和计算成本的巨大挑战。连接组学（Connectomics）的核心假设是：神经系统的功能源于其连接结构，因此完整图谱是理解大脑计算原理的基础。然而，连接组数据本身并不直接揭示信息处理机制，需要结合功能成像和计算建模才能解读。

生命复杂性的量级：远超AI可处理的范围

嘉宾抛出了一个关键判断：要理解人类生物系统的运作，必须追溯整个地球生命的起源与演化，因为一切是相互关联的。从一个单细胞发育成完整人类的过程，其内在的智能机制“可能比我们讨论的某些困难数学问题要复杂多个数量级”。他甚至怀疑，如果湍流已经足够困难，那么大脑周围的流体、免疫系统、以及所有相互连接的部分，其复杂性“比当今任何AI可处理的系统都要高出许多、许多个数量级”。

这不是对AI的否定，而是对生物学复杂性的敬畏。莱克斯回应道，单个细胞就像一个完整的城市，拥有基础设施；一个神经元内部就包含垃圾回收、能量生产和信息处理等功能，每一个尺度都超越人类的理解能力。

寻找正确的尺度：数学与生物学的交汇点

尽管复杂性令人望而生畏，但两人都认为这正是其迷人之处。莱克斯指出，找到“任何有希望的正确尺度”，并从中发现可用于理解整体图景的有趣线索，是一项极其艰巨的人类事业。到目前为止，寻找复杂混沌中可理解的碎片，一直是人类手工完成的。AI能否加速这一过程，取决于它能否在合适的抽象层次上建模。

多尺度复杂性 是生命系统的核心特征：从分子（蛋白质相互作用）、细胞器、细胞、组织、器官到个体和生态系统，每个层级都涌现出下一层级不具备的新性质（emergence）。这种跨尺度耦合意味着，要理解任一现象（如免疫应答），必须同时考虑基因调控、细胞通讯、组织微环境和个体行为等多个层次的相互作用。当前AI模型（如大语言模型或强化学习系统）擅长处理单一尺度、定义明确的问题，但面对多尺度强耦合系统时，其参数量和训练数据仍远不足以捕捉所有交互。此外，生物系统具有历史依赖性（进化路径）和随机性（分子噪声），进一步增加了建模难度。

有效理论（Effective Theory） 是物理学中的一个重要概念：在特定尺度下，系统可以用简化的模型描述，而无需追踪所有微观细节。例如，流体力学用Navier-Stokes方程描述水的流动，无需知道每个水分子的运动。在生物学中，寻找“正确的尺度”类似于构建有效理论——例如，用神经元放电率模型描述皮层活动，而忽略离子通道的细节。然而，生物系统的有效理论往往难以确定，因为不同尺度间的耦合更强，且缺乏普适的守恒律。AI可能通过自动发现数据中的低维表示或粗粒化变量，帮助识别合适的抽象层次，但这仍是一个开放问题。

宇宙为何能用数学描述：一个神秘的奇迹

对话的尾声转向了一个哲学命题：宇宙竟然可以被数学描述，这本身就是奇迹。牛顿发明微积分来描述平方反比传播如何导致椭圆轨道，解决二体问题——这一切没有先验的理由。“我们没有权利知道我们所知道的任何事。”莱克斯的这句话，既是对科学谦卑的提醒，也暗示了AI在生物学中的角色：它或许能帮助我们发现更多可理解的碎片，但离完全破解生命机制还有极远的距离。

对AI从业者的启示

这段对话的价值在于它划定了期望的边界。AI在生物学中的突破可能来自大规模数据集的模式识别（如连接组分析），而非对生命机制的整体理解。从业者需要区分“可计算的问题”和“需要理解的复杂系统”。在生命科学领域，AI更可能成为人类探索的工具，而不是替代人类直觉的万能钥匙。生命系统的多尺度、强关联特性，决定了任何单一模型都难以捕捉其全貌。承认这种复杂性，或许才是AI与生物学真正对话的开始。

维格纳的“数学不合理的有效性” 是指物理学家尤金·维格纳（Eugene Wigner）在1960年提出的观察：数学概念常常在自然科学中出乎意料地适用，而这种适用性并没有先验的理由。例如，复数最初是纯数学抽象，后来成为量子力学的基础；黎曼几何为广义相对论提供了语言。这一现象引发哲学争论：数学是发现还是发明？宇宙是否内在地具有数学结构？对于AI而言，这意味着机器学习模型所依赖的数学框架（如线性代数、概率论）之所以能描述世界，可能只是人类认知的局限或进化适应的结果，而非宇宙本质的反映。